Marine Engineering

fa یک روش هوشمند جدید برای طبقه‌بندی تصاویر زیر آب با استفاده از شبکه‌ های کپسولی A Novel Intelligent Method for Underwater Image Classification Using Capsule Networks شرايط محيطي و زيست محيطي Environmental Study مقاله پژوهشي Research Paper تصاویر زیر آب نقش مهمی در پژوهش‌های زیست‌محیطی دریایی ایفا می&rlm;کنند. تحلیل دقیق آن‌ها برای مدیریت اکوسیستم‌های دریایی، حفظ تنوع زیستی و نظارت بر تغییرات محیطی ضروری است. با این حال، عوامل مختلفی مانند نورپردازی نامناسب، افت کیفیت به‌دلیل جذب و پراکندگی نور، نویزهای ناشی از ذرات معلق و تغییرات رنگی، چالش‌های جدی در پردازش این تصاویر ایجاد می‌کنند. این مشکلات باعث کاهش کارایی روش‌های سنتی در پردازش تصاویر زیر آب می‌شوند. یادگیری عمیق به‌عنوان رویکردی قدرتمند در استخراج خودکار ویژگی‌های پیچیده، می‌تواند این چالش‌ها را کاهش دهد یا برطرف سازد. در این مقاله، یک روش یادگیری عمیق هوشمند مبتنی بر شبکه‌های عصبی کپسولی برای طبقه‌بندی تصاویر زیر آب ارائه شد. شبکه‌های کپسولی با حفظ روابط فضایی میان ویژگی‌ها و کاهش وابستگی به عملیات ادغام، درک بهتری از الگوهای پیچیده فراهم می&rlm;‌کنند. این خصوصیات امکان مقابله مؤثر با چالش‌های پردازش تصاویر زیر آب را فراهم می&rlm;‌سازند. مدل پیشنهادی با بهره&rlm;‌گیری از ساختاری پیشرفته، نسبت به روش&rlm;‌های متداول صحت طبقه&rlm;‌بندی بالاتری ارائه داد و در برابر تغییرات شرایط نوری و کیفیت تصویر عملکرد پایداری داشت. نتایج آزمایش‌ها نشان داد که مدل پیشنهادی با صحت کلی 96/75 درصد عملکرد بهتری نسبت به سایر روش‌های موجود داشته است. هم&rlm;چنین، مدل در طبقه‌بندی کلاس‌های مختلف تصاویر زیر آب، عملکردی پایدار  با دامنه صحت بین 95/5٪ (کمترین) تا 98٪ (بیشترین) از خود نشان داد. علاوه بر این، مقدار میانگین صحت، حساسیت و امتیاز F1 مدل به‌ترتیب 96/75%، 96/75% و 96/73% محاسبه شد که نشان‌دهنده عملکرد مقاوم مدل در طبقه‌بندی تصاویر زیر آب است. بر اساس یافته‌های این پژوهش، مدل پیشنهادی از پتانسیل بالایی برای کاربردهای گسترده&rlm;ای‌ همچون نظارت بر زیستگاه‌های دریایی، اکتشافات زیرآبی، حفاظت از گونه‌های نادر و پایش تغییرات زیست‌محیطی برخوردار است. <div style="text-align: justify;">Underwater images play a vital role in marine environmental research. Accurate analysis of these images is essential for managing marine ecosystems, preserving biodiversity, and monitoring environmental changes. However, various factors such as poor lighting, quality degradation due to light absorption and scattering, noise from suspended particles, and color distortions pose significant challenges in processing underwater images. These issues reduce the effectiveness of traditional image processing methods. Deep learning, as a powerful approach for automatically extracting complex features, can help mitigate or overcome these challenges. In this study, an intelligent deep learning method based on Capsule Neural Networks (CapsNets) is proposed for underwater image classification. By preserving spatial relationships among features and reducing reliance on pooling operations, CapsNets offer a better understanding of complex patterns. These characteristics enable effective handling of underwater image processing challenges. The proposed model, utilizing an advanced architecture, achieved higher classification accuracy compared to conventional methods and demonstrated robust performance under varying lighting conditions and image qualities. Experimental results showed that the proposed model outperformed existing approaches, achieving an overall accuracy of 96.75%. Moreover, the model exhibited stable performance across different underwater image classes, with accuracy ranging from 95.5% (lowest) to 98% (highest). Additionally, the average accuracy, sensitivity, and F1-score of the model were calculated as 96.75%, 96.75%, and 96.73%, respectively, indicating the model’s robustness in underwater image classification. Based on these findings, the proposed model demonstrates strong potential for a wide range of applications, including marine habitat monitoring, underwater exploration, conservation of rare species, and tracking environmental changes.</div> تصاویر زیر آب,شبکه های عصبی کپسولی,طبقه بندی تصاویر,پردازش تصاویر زیر آب,یادگیری عمیق Underwater Images,Capsule Neural Network,Image Classification,Underwater Image Processing,Deep Learning 53 66 http://marine-eng.ir/browse.php?a_code=A-10-1906-1&slc_lang=fa&sid=1 Hamid Hooshmand حمید هوشمند Hamidhooshmand85@gmail.com 10031947532846006164 10031947532846006164 No Faculty of Electrical and Robotics Engineering, Shahrood University of Technology, Semnan استادیار، دانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود، سمنان Hamed Jabbari حامد جباری hamedjabbarie@gmail.com 10031947532846006165 10031947532846006165 Yes Department of Electrical Engineering - Control, Faculty of Engineering, Imam Khomeini International University, Qazvin استادیار، گروه مهندسی برق کنترل، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره) قزوین